偏差校正法 (Bias Correction) | 加性偏差校正(Additive Bias Correction) | 观测值与估计值相差较低时适用 | [12~16] |
乘性偏差校正(Multiplicative Bias Correction) | 研究尺度变化会对结果产生较大影响 | [12~16] |
分位数映射(Quantile Mapping) | 不依赖预定函数及参考数据,运用灵活 | [17,18] |
插值展布法 (Interpolation) | 普通克里金(Ordinary Kriging) | 克里金系列方法能考虑不同采样点之间空间属性的差异但受地面数据影响;协同克里金适用于变量较少的情况;外部漂移克里金法的外部空间变量必须光滑变化 | [19~29] |
协同克里金(Co-Kriging) |
外部漂移克里金(Kriging with External Drift) |
贝叶斯克里金(Bayesian Kriging) |
贝叶斯组合(Bayesian Combination) | 能量化不同来源数据估计值的不确定性 | [23] |
反距离加权(Inverse Distance Weighting) | 可用于测量稀疏区域,能减小融合的随机误差,但受到地面站点分布密度影响 | [24] |
反距离残差加权(Residual Inverse Distance Weighting) |
核平滑(Kernel Smoothing) | 能改进有、无地面观测地区资料的一致性 | [30] |
双核平滑(Double-Kernel Smoothing) |
最优插值(Optimal Interpolation) | 线性无偏估计方面较好,融合时方差最小 | [31~33] |
最优概率插值(Probability Density Function-optimal Interpolation) | 与概率密度函数结合能消除遥感地面结合时的时空分布偏倚误差 |
多元回归法 (Multiple Regression Analysis) | 经验统计模型(Empirical Statistical Model) | 易解释,但不易体现空间分布差异性 | [34,35,41,48] |
地理加权回归(Geographically Weighted Regression) | 直接解释空间变量间定量关系,计算灵活但计算过程较复杂 | [36~40,42~47] |
地理加权岭回归(Geographically Weighted Ridge Regression) |
机器学习法 (Machine Learning) | 随机森林(Random Forest) | 可以准确快速地处理高维特征空间,操作简单且容易建立较多影响因素之间的关系,但无法揭示变量之间的具体关系,不容易被理解和解释 | [44,55] |
人工神经网络(Artificial Neural Network) |
卷积神经网络(Convolutional Neural Network) |
长短期记忆网络(Long-Short-Term Memory Network) |